在网络可靠性中，一种较为经典且在实践中更为常用的可靠度计算便是二终端可靠度，即给定网络拓扑结构与边可靠度（假定节点完全可靠），计算网络中指定的两个节点之间的连通可靠度。

在此，笔者依据最小路集思想给出此方法的python代码实现，该代码可以依据给定的输入矩阵、节点序号等设定值算出两节点间的连通可靠度。

逻辑代码与测试用例如下：

import itertools
def min_path_sets(init_matrix,index_start,index_end):
    import re
    num_point = init_matrix.shape[0]
    min_path_list = []
    for i in range(num_point-1):
        temp = init_matrix**(i+1)
        item = expand(temp[index_start-1,index_end-1])
        list_given = re.sub('[ *123456789]',"",str(item)).split("+")
        
        #删除指定阶数下，路径长度不等于阶数的路
        index_to_delete = []
        for j in range(len(list_given)):
            if len(list_given[j])!=(i+1) or list_given[j]=='0':
                index_to_delete.append(j)
        for counter, index in enumerate(index_to_delete):
            index = index - counter
            list_given.pop(index)
        
        min_path_list.extend(list_given)
    return min_path_list

def str_de_duplication(pstr):
    a = ''
    for i in range(len(pstr)):
        if pstr[i] not in a:
            a+=pstr[i]
    return a

def product_symbol(pstr,my_dict):
    import numpy as np
    value_list = []
    for i in pstr:
        value_list.append(my_dict[i])
    return np.prod(value_list)

def generate_label(path_sets,my_dict):
    import numpy as np
    all_result = []
    for exp_num in range(len(path_sets)):
        item_Combination = list(itertools.combinations(path_sets, exp_num+1))
        item_list = list(map(lambda x: str_de_duplication("".join(x)),item_Combination))
        value_list = list(map(lambda x: product_symbol(x,my_dict),item_list))
        all_result.append(np.sum(value_list)*(-1)**(exp_num))
    return np.sum(all_result)

def Matrix_label(init_matrix,my_dict,index_start,index_end):
    path_sets = min_path_sets(init_matrix,index_start,index_end)
    pro_value = generate_label(path_sets,my_dict)
    return pro_value

from sympy import *
from sympy.abc import A,B,C,D,E,F
index_start = 2
index_end = 1
data = Matrix([[0,A,B],
               [A,0,C],
               [B,C,0]])
my_dict = {'A':0.8,
           'B':0.9,
           'C':0.9}

Matrix_label(data,my_dict,index_start,index_end)

在前部分，主要定义了几个函数以便求出最小路集以及利用容斥原理计算二终端可靠度，最终外层函数为Matrix_label(data,my_dict,index_start,index_end)：

参数解释：

• data：矩阵形式的数据，表征整个网络的拓扑结构和边可靠度，其中每一个矩阵元素要么为0，要么预设的字母如“A、B、C”等，每个字母取值为0到1（不包含0但包括1），元素为0表示对应行号与列号的节点之间无边相连，元素为字母如“A”表示对应行号与列号的节点之间以可靠度为A的概率相连；
• my_dict：字典形式的数据，指定每一个用到的字母所表示的概率值，如{'A':0.8,'B':0.9,'C':0.9}，特别指出网络中节点之间的连通概率可以相异；
• index_start：二终端节点中的起始点序号；
• index_end：二终端节点中的终止点序号；

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• 如何利用Python在磁盘照片上找出猫照

  最近在整理我磁盘上的照片，发现不少猫照，突然觉得若能把这些猫照都挑出来，观察它们的成长轨迹也是一件不错的事情。一张一张的找实在是太费劲了，能不能自动化地找出来呢？本文将详细为大家讲讲，需要的可以参考一下

• Django中JWT身份验证过程是什么，有哪些要点

  这篇文章主要介绍了Django中的JWT身份验证的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

• Python中的元类有什么作用，用法是怎样的

  这篇文章主要介绍了python中的metaclass详情，在python中的metaclass就是帮助developer实现元编程，更多详细内容需要的小伙伴可以参考一下

• 在Python中用二分怎么实现求平方根

  使用二分法（Bisection Method）求平方根。def sqrtBI(x, epsilon): assert x>0, 'X must be non-nagtive, not ' + str...

• pytorch半精度模型部署的具体方法是啥

  pytorch作为深度学习的计算框架正得到越来越多的应用.我们除了在模型训练阶段应用外，最近也把pytorch应用在了部署上.